Benchmarky
Devětatřicet modelů, pětapadesát draků, bublina za bublinou
Devětatřicet modelů kreslilo draka poslepu jako SVG. Sebevědomí koreluje s kvalitou záporně a dvanáct z nich si vymyslelo nástroje, které nikdy nedrželo.
Články
Dlouhý kontext
Fikce nemá kompilátor: čtyři selhání LLM, která uvidíš jen tam, kde nespadne build
Vývojář má kompilátor, který chybu chytí hned. U dlouhé fikce žádný není. Čtyři nálezy o tom, co model dělá, když ho nikdo neopravuje.
Dlouhý kontext
Model si dopsal cizí tah a pak sáhl na nástroj, který konverzaci ukončuje
Model si sám začal volat nástroj, který konverzaci ukončuje. Kdy to dělá, čtyři vyvrácené hypotézy proč, a co nakonec zastavilo to nebezpečné volání.